Pular para o conteúdo
Local AI Wizard
Sua máquina
Tema

Youtu-VL-4B-Instruct

Tencent · tencent/Youtu-VL-4B-Instruct

Licença dos pesos: Termos do publicador: youtu-vl · código e componentes podem ter outros termos

Downloads no Hub · 30 dias1,5 milPopularidade, não qualidade · lido em 2026-10-25
Memória necessária~4 GBPesos Q4 + margem, antes da reserva da máquina
Parâmetros5,3 BTotal de safetensors no Hub
Repositório atualizado2026-02-10Um commit não é data de lançamento

Qualidade

Sem score comparável

Ainda não acompanhamos benchmark público e comparável que cubra este modelo. Nenhuma nota é inferida.

Informado pelo publicador

A ficha do publicador não informa resultado de benchmark para este checkpoint (lida em 2026-10-25). não publicado na ficha · lida em 2026-10-25

Roda em

Cabe na memória rápida 118

A estimativa de planejamento cabe na memória que o modelo usa rápido: a VRAM da placa de vídeo, ou a memória unificada dentro da fatia de GPU do macOS.

Mostrar todos os 118

Na memória, fora da parte rápida 1

Dentro da memória da máquina, fora da parte rápida: na placa de vídeo, as camadas que não cabem rodam na CPU a partir da RAM do PC (a RAM informada, ou 32 GB presumidos); no Mac, acima da fatia de GPU padrão do macOS. Não é um número de velocidade.

Perfis de hardware agrupados pela estimativa de planejamento Q4 em cada máquina (GPUs dedicadas reservam 2 GB; memória unificada e do sistema, 25%, de 2 a 8 GB): cabe na memória rápida, fica na memória mas fora da parte rápida (camadas na RAM do PC, ou acima da fatia de GPU do macOS), ou falta um degrau de memória. Não é compatibilidade nem velocidade medida.

Considere para

Tencent lançou Youtu-VL-4B-Instruct em 2026-01-27: um modelo de visão e linguagem que responde sobre imagens, com 5,3B parâmetros pela contagem do Hugging Face e licença Termos do publicador: youtu-vl.

Confira antes

Licença: uso comercial permitido com condições: Sem licença para uso na União Europeia. Em Q4 os pesos somam cerca de 4 GB antes da reserva de cada máquina; resolução da imagem, quadros de vídeo e contexto somam memória, e o encoder visual precisa de suporte no runtime escolhido.

Velocidade medida

Nenhuma medição publicada para este checkpoint

Tokens por segundo só aparecem quando uma fonte os publica com hardware, build e configuração. Nunca são estimados.

Como rodar

Compatibilidade de runtime e tokens por segundo não foram medidos para este registro. Metadados publicados e estimativa de memória não comprovam uma execução local.

Biblioteca na fonte: transformers

Formas documentadas de rodar

Copiado como aparece na fonte vinculada (lida em 2026-10-18); não executado por este site.

Preparação indicada antes pela fonte · Transformers
pip install "transformers>=4.56.0,<=4.57.1" torch accelerate pillow torchvision git+https://github.com/lucasb-eyer/pydensecrf.git opencv-python-headless
Transformers · ficha do modelo · Using Transformers to Chat
from transformers import AutoProcessor, AutoModelForCausalLM

model = AutoModelForCausalLM.from_pretrained(
    "tencent/Youtu-VL-4B-Instruct", attn_implementation="flash_attention_2", torch_dtype="auto", device_map="cuda", trust_remote_code=True
).eval()

processor = AutoProcessor.from_pretrained(
    "tencent/Youtu-VL-4B-Instruct", use_fast=True, trust_remote_code=True
)

img_path = "./assets/logo.png"
messages = [
    {
        "role": "user",
        "content": [
            {"type": "image", "image": img_path},
            {"type": "text",  "text": "Describe the image"},
        ],
    }
]

inputs = processor.apply_chat_template(
    messages,
    tokenize=True,
    add_generation_prompt=True,
    return_dict=True,
    return_tensors="pt"
).to(model.device)

generated_ids = model.generate(
    **inputs,
    temperature=0.1,
    top_p=0.001,
    repetition_penalty=1.05,
    do_sample=True,
    max_new_tokens=32768,
    img_input=img_path,
)

generated_ids_trimmed = [
    out_ids[len(in_ids) :] for in_ids, out_ids in zip(inputs.input_ids, generated_ids)
]
outputs = processor.batch_decode(
    generated_ids_trimmed, skip_special_tokens=True, clean_up_tokenization_spaces=False
)
generated_text = outputs[0]
print(f"Youtu-VL output: {generated_text}")

Escolher meu computador

Detalhes técnicos

O que a fonte e o catálogo guardam deste checkpoint. Campos ausentes ficam de fora, nunca como zero.

Tarefa
image-text-to-text
Arquitetura
YoutuVLForConditionalGeneration
Biblioteca na fonte
transformers
Licença dos pesos
Termos do publicador: youtu-vlYoutu-VL license (card license_link) · consultado em 2026-10-18fonte
Uso comercial
Permitido com condições Sem licença para uso na União Europeia · Youtu-VL license (tencent/Youtu-VL-4B-Instruct LICENSE.txt): MIT-style grant, condition 1 excludes the EU · consultado em 2026-10-18texto da licença
Lançamento
Youtu-VL: Unleashing Visual Potential via Unified Vision-Language Supervision (arXiv 2601.19798 v1, Tencent Youtu Lab) · consultado em 2026-10-18fonte
Todos os campos guardados12 campos
Revisão conferida
8d30a0e49662a1d628a472b12df264dbcd768753
Arquitetura
YoutuVLForConditionalGeneration
Biblioteca
transformers
Tag de tarefa no Hub
image-text-to-text
Formatos
safetensors
Acesso
Download aberto
Tipo de publicador
Oficial
Repositório criado
2026-01-23criação não é o lançamento do modelo
Repositório atualizado
2026-02-10um commit não é data de lançamento
Downloads no Hub (30 dias) · curtidas
1.533 · 163só este repositório · lido em 2026-10-25
Lido na página do Hub
classe transformers, tags de tarefaVisão geral e lista de arquivos do Hub · lido em 2026-10-18
Estado no catálogo
Config ou pesos encontrados no Hub; sem vínculo de benchmark no inventário

Fontes

Identidade e especificações publicadas vêm da página do checkpoint. As notas pertencem à rodada indicada e não medem velocidade no seu computador.

Fatos curados verificados: 2026-10-18. A licença e a data de lançamento citam as fontes do publicador; parâmetros, arquivos e tarefa vêm do registro do Hugging Face, e a memória é uma estimativa rotulada a partir da contagem de parâmetros. Um valor que nenhuma fonte informa fica vazio; um commit do repositório não é a data de lançamento do modelo.